该专栏为热销专栏榜 第42名
本专栏深入探讨YOLO的改进技术，包括C2f、主干网络、检测头和注意力机制，同时提供入门基础知识及实战项目案例。
1️⃣ 什么⁉️你还不知道怎么改进YOLOv8模型？那你一定不能错过这个宝藏专栏‼️
模型改进看似高深，其实也可以很“接地气”～🎯作为一名疯狂踩坑后终于豁然开朗的AI实践者，我必须强推这个专栏！
2️⃣ 150+种模型改进方法，全都能跑！性价比爆炸🔥
模块结构分析、核心原理讲解、作者的深入总结，还有适配多种场景的改法合集，让人一看就懂，一试就通！
✅ 无废话的讲解
✅ 全流程代码，改完能直接上GPU跑
✅ 初学者也能轻松理解，不再怕模型崩溃😩
3️⃣ 全是近三年顶会/顶刊的先进模块，创新度拉满💡
你以为只是简单“套模板”？NONONO～作者专门筛选了来自CVPR、ICCV、NeurIPS等顶会的最新高性能模块，然后手把手教你怎么融入YOLOv8并优化重构！
💡 注意力机制 | 卷积变体 | 解码器改进 | 特征增强……
全都是经过二次创新、适配YOLOv8任务的版本，真正做到融合 + 创新 + 实用！
YOLOv8模型结构
YOLOv8创新改进目录（持续更新中）
购买专栏后，即可获取所有程序文件，下方仅为部分文件截图。获得文件后，只需将程序放入个人项目中即可直接运行和训练。 你可以根据自己的需求，自由组合不同模块，针对数据集进行有效优化提升。
入门必会知识点
实战小项目
| 序号 | 标题 | 链接 |
|---|---|---|
| 1 | 写给初学者的YOLO目标检测 概述 | https://blog.csdn.net/shangyanaf/article/details/130399439 |
| 1 | 如何使用 YOLOv9 进行对象检测 | https://blog.csdn.net/shangyanaf/article/details/136757338 |
| 2 | YOLOv9教程：如何在自定义数据上进行YOLOv9的分割训练 | https://blog.csdn.net/shangyanaf/article/details/138284645 |
| 3 | 使用Yolov8和OpenCV计算视频中手扶梯上的人数 | https://blog.csdn.net/shangyanaf/article/details/134430259 |
| 4 | 使用YOLOV5实现视频中的车辆计数 | https://blog.csdn.net/shangyanaf/article/details/134877969 |
| 5 | YOLO结合PySimpleGUI 构建实时目标检测软件！SoEasy！ | https://blog.csdn.net/shangyanaf/article/details/135285799 |
注意力机制
| 序号 | 标题 | 链接 |
|---|---|---|
| 1 | 【YOLOv8改进-注意力机制】STA(Super Token Attention) 超级令牌注意力机制 | https://blog.csdn.net/shangyanaf/article/details/139113660 |
| 2 | 【YOLOv8改进-注意力机制】Polarized Self-Attention: 极化自注意力 ,更精细的双重注意力建模结构 | https://blog.csdn.net/shangyanaf/article/details/137295765 |
| 3 | 【YOLOv8改进-注意力机制】Non-Local：基于非局部均值去噪滤波的自注意力模型 | https://blog.csdn.net/shangyanaf/article/details/139105131 |
| 4 | 【YOLOv8改进-注意力机制】MLCA(Mixed local channel attention):混合局部通道注意力 | https://blog.csdn.net/shangyanaf/article/details/139279527 |
| 5 | 【YOLOv8改进-注意力机制】LSKNet(Large Selective Kernel Network ):空间选择注意力 | https://blog.csdn.net/shangyanaf/article/details/137614259 |
| 6 | 【YOLOv8改进-注意力机制】LSKA(Large Separable Kernel Attention)：大核分离卷积注意力模块 | https://blog.csdn.net/shangyanaf/article/details/139249202 |
| 7 | 【YOLOv8改进-注意力机制】iRMB： 倒置残差移动块，即插即用的轻量注意力 | https://blog.csdn.net/shangyanaf/article/details/136658166 |
| 8 | 【YOLOv8改进-注意力机制】HAT(Hybrid Attention Transformer): 混合注意力机制 | https://blog.csdn.net/shangyanaf/article/details/139142532 |
| 9 | 【YOLOv8改进-注意力机制】EMA（Efficient Multi-Scale Attention）：基于跨空间学习的高效多尺度注意力 | https://blog.csdn.net/shangyanaf/article/details/139160226 |
| 10 | 【YOLOv8改进-注意力机制】DAT（Deformable Attention）：可变性注意力 | https://blog.csdn.net/shangyanaf/article/details/139193465 |
| 11 | 【YOLOv8改进-注意力机制】D-LKA Attention：可变形大核注意力 | https://blog.csdn.net/shangyanaf/article/details/146242317 |
| 12 | 【YOLOv8改进-注意力机制】CPCA(Channel prior convolutional attention)中的通道注意力,增强特征表征能力 | https://blog.csdn.net/shangyanaf/article/details/139186904 |
| 13 | 【YOLOv8改进-注意力机制】CoTAttention:上下文转换器注意力 ，增强视觉表示并提高计算机视觉任务的性能 | https://blog.csdn.net/shangyanaf/article/details/139261641 |
| 14 | 【YOLOv8改进-注意力机制】CoordAttention： 用于移动端的高效坐标注意力机制 | https://blog.csdn.net/shangyanaf/article/details/136824282 |
| 15 | 【YOLOv8改进-注意力机制】BRA(bi-level routing attention ):双层路由注意力 | https://blog.csdn.net/shangyanaf/article/details/139307690 |
| 16 | 【YOLOv8改进 -注意力机制】SGE(Spatial Group-wise Enhance)：轻量级空间分组增强模块 | https://blog.csdn.net/shangyanaf/article/details/140565720 |
| 17 | 【YOLOv8改进 -注意力机制】Mamba之MLLAttention ：基于Mamba和线性注意力Transformer的模型 | https://blog.csdn.net/shangyanaf/article/details/140406244 |
| 18 | 【YOLOv8改进 - 注意力机制】Triplet Attention：轻量有效的三元注意力 | https://blog.csdn.net/shangyanaf/article/details/139999693 |
| 19 | 【YOLOv8改进 - 注意力机制】SKAttention：聚合分支信息，实现自适应调整感受野大小 | https://blog.csdn.net/shangyanaf/article/details/140078451 |
| 20 | 【YOLOv8改进 - 注意力机制】SimAM：轻量级注意力机制，解锁卷积神经网络新潜力 | https://blog.csdn.net/shangyanaf/article/details/140083301 |
| 21 | 【YOLOv8改进 - 注意力机制】SENetV2: 用于通道和全局表示的聚合稠密层，结合SE模块和密集层来增强特征表示 | https://blog.csdn.net/shangyanaf/article/details/139610187 |
| 22 | 【YOLOv8改进 - 注意力机制】Sea_Attention: Squeeze-enhanced Axial Attention,结合全局语义提取和局部细节增强 | https://blog.csdn.net/shangyanaf/article/details/139652325 |
| 23 | 【YOLOv8改进 - 注意力机制】S2Attention : 整合空间位移和分割注意力 | https://blog.csdn.net/shangyanaf/article/details/140472196 |
| 24 | 【YOLOv8改进 - 注意力机制】RCS-OSA :减少通道的空间对象注意力，高效且涨点 | https://blog.csdn.net/shangyanaf/article/details/140457853 |
| 25 | 【YOLOv8改进 - 注意力机制】NAM：基于归一化的注意力模块，将权重稀疏惩罚应用于注意力机制中，提高效率性能 | https://blog.csdn.net/shangyanaf/article/details/140083725 |
| 26 | 【YOLOv8改进 - 注意力机制】LS-YOLO MSFE：新颖的多尺度特征提取模块 | 小目标/遥感 | https://blog.csdn.net/shangyanaf/article/details/140092794 |
| 27 | 【YOLOv8改进 - 注意力机制】HCF-Net 之 PPA：并行化注意力设计 | 小目标 | https://blog.csdn.net/shangyanaf/article/details/140111479 |
| 28 | 【YOLOv8改进 - 注意力机制】HCF-Net 之 MDCR：多稀释通道细化器模块 ，以不同的稀释率捕捉各种感受野大小的空间特征 | 小目标 | https://blog.csdn.net/shangyanaf/article/details/140104977 |
| 29 | 【YOLOv8改进 - 注意力机制】HCF-Net 之 DASI： 维度感知选择性整合模块 | 小目标 | https://blog.csdn.net/shangyanaf/article/details/140117642 |
| 30 | 【YOLOv8改进 - 注意力机制】GC Block （GlobalContext）: 全局上下文块，高效捕获特征图中的全局依赖关系 | https://blog.csdn.net/shangyanaf/article/details/140528152 |
| 31 | 【YOLOv8改进 - 注意力机制】Gather-Excite Attention: 提高了网络捕获长距离特征交互的能力 | https://blog.csdn.net/shangyanaf/article/details/140637601 |
| 32 | 【YOLOv8改进 - 注意力机制】GAM（Global Attention Mechanism）：全局注意力机制，减少信息损失并放大全局维度交互特征 | https://blog.csdn.net/shangyanaf/article/details/140336852 |
| 33 | 【YOLOv8改进 - 注意力机制】Focused Linear Attention :全新的聚焦线性注意力模块 | https://blog.csdn.net/shangyanaf/article/details/140457255 |
| 34 | 【YOLOv8改进 - 注意力机制】EffectiveSE : 改进的通道注意力模块，减少计算复杂性和信息丢失 | https://blog.csdn.net/shangyanaf/article/details/140635865 |
| 35 | 【YOLOv8改进 - 注意力机制】ECA（Efficient Channel Attention）：高效通道注意 模块，降低参数量 | https://blog.csdn.net/shangyanaf/article/details/140336733 |
| 36 | 【YOLOv8改进 - 注意力机制】DoubleAttention: 双重注意力机制，全局特征聚合和分配 | https://blog.csdn.net/shangyanaf/article/details/140478959 |
| 37 | 【YOLOv8改进 - 注意力机制】ContextAggregation : 上下文聚合模块，捕捉局部和全局上下文，增强特征表示 | https://blog.csdn.net/shangyanaf/article/details/140664662 |
| 38 | 【YOLOv8改进 - 注意力机制】c2f结合CBAM：针对卷积神经网络（CNN）设计的新型注意力机制 | https://blog.csdn.net/shangyanaf/article/details/139950898 |
| 39 | 【YOLOv8改进 - 注意力机制】 MHSA：多头自注意力（Multi-Head Self-Attention） | https://blog.csdn.net/shangyanaf/article/details/140110995 |
| 40 | 【YOLOv8改进 - 注意力机制】 CascadedGroupAttention：级联组注意力，增强视觉Transformer中多头自注意力机制的效率和有效性 | https://blog.csdn.net/shangyanaf/article/details/140138885 |
| 41 | 【YOLOv8改进 - 注意力机制】 Agent Attention :代理注意力, softmax注意力与线性注意力的优雅融合 | https://blog.csdn.net/shangyanaf/article/details/140921422 |
| 42 | 【YOLOv8改进 - 注意力机制】 CAA： 上下文锚点注意力模块，处理尺度变化大或长形目标 | https://blog.csdn.net/shangyanaf/article/details/141121752 |
| 43 | 【YOLOv8改进 - 注意力机制】MSCA: 多尺度卷积注意力，即插即用，助力小目标检测 | https://blog.csdn.net/shangyanaf/article/details/136057088 |
| 44 | 【YOLOv8改进 - 注意力机制】MCA：用于图像识别的深度卷积神经网络中的多维协作注意力 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/136205065 |
| 45 | 【YOLOv8改进 - 注意力机制】 MSDA：多尺度空洞注意力 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/136215149 |
| 46 | 【YOLOv8改进 - 注意力机制】HaloNet通过局部自注意力机制(Local Self-Attention)来捕捉空间交互 | https://blog.csdn.net/shangyanaf/article/details/145801601 |
| 47 | 【YOLOv8改进 - 注意力机制】Axial Attention：轴向注意力，提高计算效率和内存使用 | https://blog.csdn.net/shangyanaf/article/details/145839350 |
| 48 | 【YOLOv8改进 - 注意力机制】 SCSA通过结合空间注意力和通道注意力，提高各种下游视觉任务的性能。 | https://blog.csdn.net/shangyanaf/article/details/145864131 |
| 49 | 【YOLOv8改进 - 注意力机制】SOCA：可训练的二阶通道注意力，自适应地重新缩放通道特征，以获得更具辨别性的表示 | https://blog.csdn.net/shangyanaf/article/details/145914187 |
| 50 | 【YOLOv8改进 - 注意力机制】CGAFusion(Content-Guided Attention)： 内容引导注意力特征融合 | https://blog.csdn.net/shangyanaf/article/details/145999917 |
| 51 | 【YOLOv8改进 - 注意力机制】GCT(Gaussian Context Transformer)：高斯上下文变换器 | https://blog.csdn.net/shangyanaf/article/details/146000370 |
| 52 | 【YOLOv8改进 - 注意力机制】ELA(Efficient Local Attention)：深度卷积神经网络的高效局部注意力机制 | https://blog.csdn.net/shangyanaf/article/details/146000582 |
| 53 | 【YOLOv8改进 - 注意力机制】 ParNet :并行子网络结构实现低深度但高性能的神经网络架构 | https://blog.csdn.net/shangyanaf/article/details/146027243/ |
| 54 | 【YOLOv8改进 - 注意力机制】TripletAttention：轻量有效的三元注意力 | https://blog.csdn.net/shangyanaf/article/details/146027039 |
卷积-Conv
主干- Backbone
| 序号 | 标题 | 链接 |
|---|---|---|
| 1 | 【YOLOv8改进】MobileViT 更换主干网络： 轻量级、通用且适合移动设备的视觉变压器 | https://blog.csdn.net/shangyanaf/article/details/136962297 |
| 2 | 【YOLOv8改进】MobileNetV3替换Backbone (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/136891204 |
| 3 | 【YOLOv8改进】骨干网络： SwinTransformer (基于位移窗口的层次化视觉变换器）(论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/135867187 |
| 4 | 【YOLOv8改进】 YOLOv8 更换骨干网络之GhostNetV2 长距离注意力机制增强廉价操作，构建更强端侧轻量型骨干 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/136170972 |
| 5 | 【YOLOv8改进】 YOLOv8 更换骨干网络之 GhostNet ：通过低成本操作获得更多特征 (论文笔记+引入代码).md | https://blog.csdn.net/shangyanaf/article/details/136151800 |
| 6 | 【YOLOv8改进- Backbone主干】YOLOv8更换主干网络之ConvNexts，纯卷积神经网络，更快更准，，降低参数量！ | https://blog.csdn.net/shangyanaf/article/details/140451741 |
| 7 | 【YOLOv8改进- Backbone主干】YOLOv8 更换主干网络之EfficientNet，高效的卷积神经网络，降低参数量 | https://blog.csdn.net/shangyanaf/article/details/140451442 |
| 8 | 【YOLOv8改进- Backbone主干】YOLOv8 更换主干网络之 PP-LCNet，轻量级CPU卷积神经网络，降低参数量 | https://blog.csdn.net/shangyanaf/article/details/140450841 |
| 9 | 【YOLOv8改进- Backbone主干】2024最新轻量化网络MobileNetV4替换YoloV8的BackBone | https://blog.csdn.net/shangyanaf/article/details/140364353 |
| 10 | 【YOLOv8改进 - Backbone主干】VanillaNet：极简的神经网络，利用VanillaNet替换YOLOV8主干 | https://blog.csdn.net/shangyanaf/article/details/139665923 |
| 11 | 【YOLOv8改进 - Backbone主干】VanillaNet：极简的神经网络，利用VanillaBlock降低YOLOV8参数 | https://blog.csdn.net/shangyanaf/article/details/139664922 |
| 12 | 【YOLOv8改进 - Backbone主干】ShuffleNet V2：卷积神经网络（CNN）架构 | https://blog.csdn.net/shangyanaf/article/details/139655578 |
| 13 | 【YOLOv8改进 - Backbone主干】FasterNet：基于PConv（部分卷积）的神经网络，提升精度与速度，降低参数量。 | https://blog.csdn.net/shangyanaf/article/details/139639091 |
| 14 | 【YOLOv8改进 - Backbone主干】清华大学CloFormer AttnConv ：利用共享权重和上下文感知权重增强局部感知，注意力机制与卷积的完美融合 | https://blog.csdn.net/shangyanaf/article/details/139824105 |
| 15 | 【YOLOv8改进 - Backbone主干】EfficientRep：一种旨在提高硬件效率的RepVGG风格卷积神经网络架构 | https://blog.csdn.net/shangyanaf/article/details/139558834 |
| 16 | 【YOLOv10改进- Backbone主干】BiFormer: 通过双向路由注意力构建高效金字塔网络架构 | 小目标 | |
| 17 | 【YOLOv8改进- Backbone主干】BoTNet：基于Transformer，结合自注意力机制和卷积神经网络的骨干网络 | https://blog.csdn.net/shangyanaf/article/details/140653663 |
特征融合
| 序号 | 标题 | 链接 |
|---|---|---|
| 1 | 【YOLOv8改进 - 特征融合NECK】Slim-neck：目标检测新范式，既轻量又涨点 | https://blog.csdn.net/shangyanaf/article/details/139878671 |
| 2 | 【YOLOv8改进 - 特征融合NECK】SDI：多层次特征融合模块，替换contact操作 | https://blog.csdn.net/shangyanaf/article/details/140498153 |
| 3 | 【YOLOv8改进 - 特征融合NECK】ASF-YOLO：SSFF融合+TPE编码+CPAM注意力，提高检测和分割能力 | https://blog.csdn.net/shangyanaf/article/details/140042501 |
| 4 | 【YOLOv8改进 - 特征融合NECK】 HS-FPN ：用于处理多尺度特征融合的网络结构,降低参数 | https://blog.csdn.net/shangyanaf/article/details/139877859 |
| 5 | 【YOLOv8改进 - 特征融合NECK】 GIRAFFEDET之GFPN ：广义特征金字塔网络，高效地融合多尺度特征 | https://blog.csdn.net/shangyanaf/article/details/140459446 |
| 6 | 【YOLOv8改进 - 特征融合NECK】 DAMO-YOLO之RepGFPN ：实时目标检测的创新型特征金字塔网络 | https://blog.csdn.net/shangyanaf/article/details/139863259 |
| 7 | 【YOLOv8改进】EVC(Explicit Visual Center): 中心化特征金字塔模块(论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/137645622 |
| 8 | 【YOLOv8改进 - 特征融合NECK】CARAFE：轻量级新型上采样算子，助力细节提升 | https://blog.csdn.net/shangyanaf/article/details/139886624 |
| 9 | 【YOLOv8改进 - 特征融合】DySample ：超轻量级且高效的动态上采样器 | https://blog.csdn.net/shangyanaf/article/details/139990001 |
| 10 | 【YOLOv8改进 - 特征融合NECK】BiFPN：加权双向特征金字塔网络 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/136021981 |
| 11 | 【YOLOv8改进 - 特征融合NECK】 AFPN ：渐进特征金字塔网络 (论文笔记+引入代码).md | https://blog.csdn.net/shangyanaf/article/details/136025499 |
| 12 | 【YOLOv8改进 - 特征融合】FFCA-YOLO: 提升遥感图像中小目标检测的精度和鲁棒性 | https://blog.csdn.net/shangyanaf/article/details/140621023 |
| 13 | 【YOLOv8改进 - 特征融合】 YOGA iAFF ：注意力机制在颈部的多尺度特征融合 | https://blog.csdn.net/shangyanaf/article/details/139826529 |
| 14 | 【YOLOv8改进 - 特征融合】 GELAN:YOLOV9 通用高效层聚合网络，高效且涨点 | https://blog.csdn.net/shangyanaf/article/details/140460307 |
损失函数
| 序号 | 标题 | 链接 |
|---|---|---|
| 1 | 【YOLOv8改进】Shape-IoU：考虑边框形状与尺度的指标(论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/135927712 |
| 2 | 【YOLOv8改进】MPDIoU：有效和准确的边界框损失回归函数 (论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/135948703 |
| 3 | 【YOLOv8改进】Inner-IoU: 基于辅助边框的IoU损失(论文笔记+引入代码) | https://blog.csdn.net/shangyanaf/article/details/135904930 |
| 4 | 【YOLOv8改进-损失函数】YOLOv8 更换损失函数之 SIoU EIoU WIoU _ Focal_*IoU CIoU DIoU ShapeIoU MPDIou | https://blog.csdn.net/shangyanaf/article/details/139512620 |
| 5 | 【YOLOv8改进-损失函数】SlideLoss损失函数，解决样本不平衡问题 | https://blog.csdn.net/shangyanaf/article/details/139483941 |
| 6 | 【YOLOv8改进-损失函数】 YOLOv8自带损失函数CIoU / DIoU / GIoU 详解，以及如何切换损失函数 | https://blog.csdn.net/shangyanaf/article/details/139509783 |
| 7 | 【YOLOv8改进- 损失函数】 NWD（Normalized Wasserstein Distance：归一化 Wasserstein 距离），助力微小目标检测。 | https://blog.csdn.net/shangyanaf/article/details/141729325 |
| 8 | 【YOLOv8改进-损失函数】PIoU（Powerful-IoU)：使用非单调聚焦机制更直接、更快的边界框回归损失 | |
多模块融合改进
| 序号 | 标题 | 链接 |
|---|---|---|
| 1 | 【YOLOv8改进- 多模块融合改进】RFAConv+ TripletAttention: 基于感受野注意力卷积与三元注意力的四头小目标检测头，，提高特证提取的效率以及准确率。 | https://blog.csdn.net/shangyanaf/article/details/141125292 |
| 2 | 【YOLOv8改进- 多模块融合改进】ResBlock + GAM: 基于ResBlock的全局注意力机制ResBlock_ GAM，增强特证提取 | https://blog.csdn.net/shangyanaf/article/details/141136299 |
| 3 | 【YOLOv8改进- 多模块融合改进】ResBlock + CBAM: 基于ResBlock的通道+空间注意力，增强特证提取 | https://blog.csdn.net/shangyanaf/article/details/141135233 |
| 4 | 【YOLOv8改进- 多模块融合改进】Non-Local+ LSKNet : 自注意力模型与空间选择注意力的融合改进，助力小目标检测高效涨点 | https://blog.csdn.net/shangyanaf/article/details/141067397 |
| 5 | 【YOLOv8改进- 多模块融合改进】GhostConv + ContextAggregation 幽灵卷积与上下文聚合模块融合改进，助力小目标高效涨点 | https://blog.csdn.net/shangyanaf/article/details/140665117 |
| 6 | 【YOLOv8改进- 多模块融合改进】CPCA + CARAFE : 通道先验卷积注意力与上采样算子的融合改进，助力细节提升！ | https://blog.csdn.net/shangyanaf/article/details/141065415 |
| 7 | 【YOLOv8改进- 多模块融合改进】BoTNet + EMA 骨干网络与多尺度注意力的融合改进，小目标高效涨点 | https://blog.csdn.net/shangyanaf/article/details/140654746 |
| 8 | 【YOLOv8改进- 多模块融合改进】BoTNet + CoordAttention 骨干网络与高效坐标注意力机制融合改进，助力小目标高效涨点 | https://blog.csdn.net/shangyanaf/article/details/140675321 |
| 9 | 【YOLOv8改进- 多模块融合改进】发论文神器SPPF_LSKA，结合各种创新改进，以融合SimAM注意力机制为例！ | https://blog.csdn.net/shangyanaf/article/details/140691622 |
C2f融合改进
| 序号 | 标题 | 链接 |
|---|---|---|
| 1 | 【YOLOv8改进 - C2f融合】C2f融合MLCA(Mixed local channel attention):混合局部通道注意力 | https://blog.csdn.net/shangyanaf/article/details/146115789 |
| 2 | 【YOLOv8改进 - C2f融合】C2f融合iRMB： 倒置残差移动块，即插即用的轻量注意力 | https://blog.csdn.net/shangyanaf/article/details/146123278 |
| 3 | 【YOLOv8改进 - C2f融合】C2f融合deformable_LKA_Attention：可变形大核注意力 | https://blog.csdn.net/shangyanaf/article/details/139212227 |
| 4 | 【YOLOv8改进 - C2f融合】C2f融合CoTAttention_上下文转换器注意力，增强视觉表示并提高计算机视觉任务的性能 | https://blog.csdn.net/shangyanaf/article/details/146243249 |
| 5 | 【YOLOv8改进 - C2f融合】C2f融合DWRSeg二次创新C2f_DWR：扩张式残差分割网络，提高特征提取效率和多尺度信息获取能力，助力小目标检测 | https://blog.csdn.net/shangyanaf/article/details/146286798 |
| 6 | 【YOLOv8改进 - C2f融合】C2f融合DWRSeg二次创新C2f_DWRSeg：扩张式残差分割网络，提高特征提取效率和多尺度信息获取能力，助力小目标检测 | https://blog.csdn.net/shangyanaf/article/details/140336972 |
| 7 | 【YOLOv8改进 - C2f融合】C2f融合SCConv ：即插即用的空间和通道重建卷积 | https://blog.csdn.net/shangyanaf/article/details/146408427 |
SPPF改进
| 序号 | 标题 | 链接 |
|---|---|---|
| 1 | 【YOLOv8改进-SPPF】 Focal Modulation :使用焦点调制模块替代SPPF | https://blog.csdn.net/shangyanaf/article/details/140456375 |
| 2 | 【YOLOv8改进-SPPF】 AIFI : 基于注意力的尺度内特征交互，保持高准确度的同时减少计算成本 | https://blog.csdn.net/shangyanaf/article/details/140500654 |
| 3 | 【YOLOv8改进 - SPPF】发论文神器！LSKA注意力改进SPPF,增强多尺度特征提取能力，高效涨点！！！ | https://blog.csdn.net/shangyanaf/article/details/140685113 |
扫一扫
2069
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
